通过系统搜索从示例中学习诊断策略

诊断策略规定了基于先前测试结果接下来执行何种测试，以及何时停止并做出诊断。成本敏感型诊断策略在 (a) 测试成本与 (b) 误诊成本之间进行权衡。最优诊断策略旨在最小化期望总成本。我们将此诊断过程形式化为马尔可夫决策过程 (MDP)。我们研究了求解该 MDP 的两种算法：基于 AO* 算法的系统搜索和贪婪搜索（特别是信息价值方法）。我们探讨了从示例中学习 MDP 概率的问题，但仅限于其与搜索优质策略相关的部分。我们既不学习也不假设诊断过程存在贝叶斯网络。我们开发了正则化项以控制过拟合并加速搜索。本研究首次将过拟合预防整合到系统搜索中。本文有两点贡献：讨论了使系统搜索适用于诊断的因素，并在基准数据集上通过实验表明，系统搜索方法产生的诊断策略优于贪婪方法。